Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết những thách thức cố hữu trong việc hình thức hóa và ứng dụng ngữ nghĩa tính toán của từ ngôn ngữ, đặc biệt trong bối cảnh xây dựng các hệ mờ dựa trên luật (Fuzzy Rule-based Systems - FRBS) tối ưu. Bối cảnh khoa học của nghiên cứu được đặt trong sự phát triển mạnh mẽ của khoa học và công nghệ, nơi nhu cầu mô phỏng khả năng lập luận và ra quyết định của con người trên máy móc trở nên cấp thiết. Tuy nhiên, bản chất mờ và không chắc chắn của ngôn ngữ tự nhiên đã tạo ra một rào cản đáng kể. Nghiên cứu này không chỉ đề xuất các phương pháp mới mà còn cung cấp một nền tảng toán học vững chắc để giải quyết vấn đề này, khẳng định tính tiên phong và đóng góp căn bản vào lĩnh vực Cơ sở Toán học cho Tin học.

Nghiên cứu giải quyết một research gap cụ thể và quan trọng: "Theo hướng tiếp cận tập mờ thiếu một phương pháp hình thức đầy đủ để xác định ngữ nghĩa tính toán của từ với ngữ nghĩa vốn của nó." (Mở đầu, trang 3). Hạn chế này dẫn đến việc các nghiên cứu trước đây, như của Mencar trong [41], phải đưa ra tới 37 ràng buộc, phần lớn dựa trên trực giác của người thiết kế, chứ không phải một nền tảng toán học chặt chẽ. Hơn nữa, mặc dù phương pháp tiếp cận dựa trên Đại số Gia tử (Hedge Algebra - ĐSGT) đã mang lại một số lợi ích so với lý thuyết tập mờ, luận án chỉ ra rằng "nghĩa tính toán của từ lại không bảo toàn được tính khái quát và tính đặc tả của từ, đây là một tính chất quan trọng của từ ngôn ngữ" (Mở đầu, trang 6). Ngoài ra, luận án cũng khắc phục sự thiếu hụt nghiên cứu ứng dụng ĐSGT vào bài toán hồi quy – một bài toán "phức tạp hơn nhiều bài toán phân lớp" (Mở đầu, trang 7) và giải quyết việc "vấn đề tính giải nghĩa được của LRBS chưa được quan tâm nghiên cứu trong hướng tiếp cận này [ĐSGT]" (Mở đầu, trang 7).

Để giải quyết các khoảng trống này, luận án đặt ra các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Làm thế nào để phát triển các thuật toán xây dựng Hệ mờ dựa trên luật ngôn ngữ (Linguistic Rule-based Systems - LRBS) cho cả bài toán phân lớp và hồi quy, trong đó ngữ nghĩa tính toán của từ ngôn ngữ được xác định dựa trên ĐSGT và mục tiêu tính giải nghĩa được của LRBS được định nghĩa dựa trên độ phức tạp?
  2. RQ2: Liệu có thể khởi tạo một hướng tiếp cận mới về tính giải nghĩa được của LRBS dựa trên ĐSGT và đề xuất các ràng buộc hình thức theo hướng tiếp cận này?
  3. RQ3: Làm thế nào để đề xuất một phương pháp biểu diễn ngữ nghĩa tính toán của tập các từ ngôn ngữ bảo toàn được tính khái quát và tính đặc tả, và tích hợp nó vào quá trình xây dựng LRBS?
  4. RQ4: Phương pháp thiết kế ngữ nghĩa tính toán mới và các ràng buộc đề xuất có thể được chứng minh tính đúng đắn và sự thỏa mãn bằng các định lý toán học không?
  5. RQ5: Các thuật toán tiến hóa mới dựa trên phương pháp biểu diễn ngữ nghĩa tính toán mới và hướng tiếp cận tính giải nghĩa được mới có thể xây dựng LRBS tối ưu cho bài toán hồi quy với hiệu suất vượt trội so với các phương pháp hiện có không?

Giả thuyết (H1-H5):

  1. H1: Các thuật toán OPHA-SGERD, HA-PAES-SG, và HA-PAES-MG sẽ cung cấp một cách tiếp cận hiệu quả hơn trong việc xây dựng LRBS giải quyết bài toán phân lớp và hồi quy bằng cách sử dụng ĐSGT để xác định ngữ nghĩa tính toán của từ.
  2. H2: Hướng tiếp cận mới về tính giải nghĩa được dựa trên ĐSGT và 4 ràng buộc đề xuất sẽ mang lại một khuôn khổ hình thức và khách quan hơn cho việc đánh giá và tối ưu hóa tính giải nghĩa của LRBS.
  3. H3: Phương pháp biểu diễn ngữ nghĩa tính toán dạng cấu trúc đa thể hạt mới sẽ bảo toàn được tính khái quát và tính đặc tả của từ ngôn ngữ, từ đó nâng cao chất lượng ngữ nghĩa của LRBS.
  4. H4: Các định lý toán học có thể được phát biểu và chứng minh để khẳng định tính đúng đắn và sự thỏa mãn các ràng buộc của phương pháp thiết kế ngữ nghĩa tính toán mới.
  5. H5: Thuật toán HA-PAES-MG-Kmax, tích hợp phương pháp biểu diễn ngữ nghĩa mới và hướng tiếp cận tính giải nghĩa được mới, sẽ đạt được hiệu suất tối ưu cho bài toán hồi quy, với độ chính xác cao hơn và tính giải nghĩa được cải thiện, được xác nhận thông qua so sánh thống kê với các thuật toán tiên tiến khác.

Khung lý thuyết của luận án được xây dựng trên nền tảng của Lý thuyết Tập mờ của Lotfi A. Zadeh ([63], [64]) và Đại số Gia tử (Hedge Algebra - HA) của Zadeh-Wechler ([45], [46], [49]). Luận án mở rộng những lý thuyết này bằng cách tích hợp chúng một cách sâu sắc hơn để hình thức hóa ngữ nghĩa tính toán của từ ngôn ngữ. Cụ thể, nó sử dụng Hàm định lượng ngữ nghĩa (Semantically Quantifying Mapping - SQM) và Độ đo tính mờ từ ĐSGT để xây dựng các hàm thuộc tập mờ, qua đó định lượng và bảo toàn thứ tự ngữ nghĩa vốn có của từ.

Luận án đạt được những đóng góp đột phá với tác động định lượng rõ ràng:

  • Đề xuất khuôn khổ mới cho tính giải nghĩa được của LRBS dựa trên ĐSGT: Luận án "Khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT, đề xuất 4 ràng buộc về tính giải nghĩa được ở mức phân hoạch mờ" (Mở đầu, Kết quả chính 2, trang 9; Chương 3, trang 11). Điều này giải quyết một vấn đề lâu dài trong lĩnh vực bằng cách cung cấp một cách tiếp cận hình thức, khách quan hơn so với các phương pháp dựa trên trực giác (ví dụ, 37 ràng buộc của Mencar [41]), tăng cường khả năng kiểm tra và hiểu hệ thống mờ lên đáng kể.
  • Thiết kế ngữ nghĩa tính toán bảo toàn thuộc tính ngôn ngữ cốt lõi: Luận án đề xuất "phương pháp thiết kế ngữ nghĩa tính toán của tập từ ngôn ngữ của LFoC dựa trên ngữ nghĩa vốn có của từ được xác định bằng ĐSGT" và "phương pháp biểu diễn ngữ nghĩa tính toán dạng cấu trúc đa thể hạt cho từ ngôn ngữ của LFoC" (Mở đầu, Kết quả chính 3, trang 9; Chương 3, trang 11). Đây là một tiến bộ đáng kể, khắc phục hạn chế của các phương pháp ĐSGT trước đây vốn "không bảo toàn được tính khái quát và tính đặc tả của từ" (Mở đầu, trang 6), dẫn đến các LRBS có ngữ nghĩa chặt chẽ và nhất quán hơn.
  • Mở rộng ứng dụng ĐSGT sang bài toán hồi quy phức tạp: Luận án "Phát triển thuật toán tiến hóa xây dựng LRBS giải các bài toán hồi quy" (Mở đầu, Kết quả chính 5, trang 9), lĩnh vực mà trước đây chưa có nhiều nghiên cứu ứng dụng ĐSGT. Điều này mở ra một con đường mới cho việc giải quyết các bài toán hồi quy phi tuyến phức tạp bằng cách tận dụng ưu điểm của ĐSGT.
  • Xác nhận tính đúng đắn bằng định lý toán học: Luận án "Phát biểu các định lý khẳng định tính đúng đắn của phương pháp thiết kế ngữ nghĩa tính toán và những ràng buộc mà nó thỏa mãn" (Mở đầu, Kết quả chính 4, trang 9). Việc chứng minh toán học này cung cấp sự đảm bảo về mặt lý thuyết cho các đề xuất mới, nâng cao độ tin cậy và khả năng áp dụng của chúng.

Phạm vi nghiên cứu bao gồm việc phát triển và thử nghiệm các thuật toán mới trên nhiều tập dữ liệu chuẩn mực cho cả bài toán phân lớp và hồi quy. Mặc dù luận án không nêu rõ kích thước mẫu dữ liệu (sample size) hay khung thời gian cụ thể của các tập dữ liệu, nó tham chiếu đến "Bảng 2.1 Các tập dữ liệu dùng để thử nghiệm," "Bảng 2.7 Các tập dữ liệu được sử dụng thử nghiệm trong [14]," và "Bảng 2.10 Các tập dữ liệu được sử dụng thử nghiệm trong [10]" (trang viii), cho thấy việc sử dụng một bộ dữ liệu đa dạng để đảm bảo tính tổng quát và robust của các phát hiện. Các thử nghiệm này liên quan đến việc so sánh các thuật toán đề xuất với các phương pháp tiên tiến khác, bao gồm (2+2)M-PAES(I), (2+2)M-PAES(C) của Antonelli [14], SGERD của Mansoori [39], và PAESKB của Alcalá [10]. Ý nghĩa của nghiên cứu nằm ở việc cung cấp một khuôn khổ toàn diện và hình thức hơn cho việc xây dựng các hệ thống thông minh có khả năng lập luận gần với con người hơn, với độ chính xác cao và tính giải nghĩa được vượt trội.

Literature Review và Positioning

Luận án thực hiện tổng hợp sâu rộng các luồng nghiên cứu chính trong lĩnh vực hệ mờ dựa trên luật và ngữ nghĩa tính toán, tập trung vào ba hướng tiếp cận cốt lõi: lý thuyết tập mờ, lý thuyết đại số gia tử (ĐSGT), và thuật toán tiến hóa. Phần này làm nổi bật các đóng góp quan trọng từ các tác giả như Zadeh (1965, 1975) với khái niệm tập mờ và biến ngôn ngữ ([63], [64]), đặt nền móng cho FRBS. Các ứng dụng FRBS được tổng hợp, bao gồm bài toán điều khiển của Mamdani (1974) [38], Oliveira (2001, 2004) [53, 54], Vukadinović (2013) [60], và Wang (1994) [61]; bài toán phân lớp của Nguyễn Cát Hồ (1998, 2000, 2011) [2-4, 50, 52], Dương Thăng Long (2002, 2005) [6, 7], Cordón (1999, 2000) [17, 18], Ishibuchi (1993-2009) [28-34]; và bài toán hồi quy của Alcalá (2006-2007) [8-10], Antonelli (2005-2010) [12-15]. Sự tổng hợp này không chỉ bao gồm các phương pháp xây dựng FRBS mà còn cả các vấn đề liên quan đến độ chính xác và tính giải nghĩa được.

Luận án làm nổi bật các mâu thuẫn và tranh luận chính trong lĩnh vực. Một tranh luận cốt lõi là sự xung đột giữa độ chính xác (accuracy) và tính giải nghĩa được (interpretability) của FRBS, được mô tả là "hai mục tiêu xung đột nhau, làm tăng mục tiêu này thì phải giảm mục tiêu kia" (Mở đầu, trang 2). Trong khi các nghiên cứu ban đầu tập trung chủ yếu vào độ chính xác, thì các ứng dụng "human-centric" như y tế và ngôn ngữ học đã thúc đẩy sự quan tâm đến tính giải nghĩa được. Vấn đề này còn phức tạp hơn bởi sự thiếu vắng "một tiêu chuẩn toán học để mô tả chính xác" tính giải nghĩa được và sự không thống nhất về thuật ngữ (ví dụ: intelligibility, transparency, readability) như Gacto (2010) [26] và Cordon (2008) [19] đã thảo luận.

Một mâu thuẫn quan trọng khác là sự thiếu hụt phương pháp hình thức để xác định ngữ nghĩa tính toán của từ từ ngữ nghĩa vốn có của nó trong hướng tiếp cận tập mờ. Điều này dẫn đến việc phải đưa ra "nhiều ràng buộc (trong [41] Mencar đưa ra 37 ràng buộc), và các ràng buộc này đều dựa trên trực quan của người thiết kế" (Mở đầu, trang 3). Hơn nữa, việc sử dụng các phân hoạch mờ đều với số tập mờ cố định trước ([17, 18, 23, 28-34]) bị luận án phê phán là "không phù hợp với thực tế" vì "ngữ nghĩa của các từ phụ thuộc vào từng ngữ cảnh" (Mở đầu, trang 5). Luận án cũng chỉ ra rằng giới hạn số tập mờ trên mỗi biến không quá 7±2 của Miller (1956) [43] là "không phù hợp" (Mở đầu, trang 5).

Luận án tự định vị mình bằng cách nhận diện các khoảng trống cụ thể trong literature và đề xuất các giải pháp dựa trên ĐSGT. Cụ thể, nó nhận thấy rằng phương pháp thiết kế ngữ nghĩa tính toán dựa trên ĐSGT trước đây "không bảo toàn được tính khái quát và tính đặc tả của từ" (Mở đầu, trang 6). Hơn nữa, mặc dù ĐSGT đã được ứng dụng trong phân lớp, nó "hiện chưa có nghiên cứu nào ứng dụng ĐSGT để giải nó [bài toán hồi quy]" (Mở đầu, trang 7).

Nghiên cứu này tiến một bước đáng kể bằng cách:

  1. Phát triển một hướng tiếp cận mới về tính giải nghĩa được cho LRBS dựa trên ĐSGT: Thay vì các ràng buộc trực quan, luận án đề xuất 4 ràng buộc hình thức ở mức phân hoạch mờ, dựa trên nền tảng toán học của ĐSGT (Chương 3, trang 11).
  2. Đề xuất phương pháp thiết kế ngữ nghĩa tính toán dạng cấu trúc đa thể hạt: Phương pháp này khắc phục nhược điểm của các nghiên cứu trước của Nguyễn Cát Hồ và các cộng sự (1998-2011) [2-4, 50, 52] bằng cách "bảo toàn được những tính chất quan trọng của từ ngôn ngữ, chẳng hạn như ngữ nghĩa thứ tự, tính khái quát và tính đặc tả" (Mở đầu, Kết quả chính 3, trang 9; Chương 3, trang 11).
  3. Mở rộng ứng dụng ĐSGT sang bài toán hồi quy: Luận án phát triển các thuật toán HA-PAES-SG và HA-PAES-MG để giải bài toán hồi quy, lấp đầy khoảng trống nghiên cứu quan trọng này (Mở đầu, Kết quả chính 1, trang 9; Chương 2, trang 11).

So sánh với ít nhất 2 nghiên cứu quốc tế:

  • So sánh với Antonelli và các cộng sự (2010) [14]: Luận án trực tiếp so sánh các thuật toán HA-PAES-SG và HA-PAES-MG của mình với các thuật toán (2+2)M-PAES(I) và (2+2)M-PAES(C) trong [14] của Antonelli. Các kết quả thử nghiệm "được tổng hợp và đối sánh lần lượt với các kết quả thử nghiệm của các thuật toán trong [14]" (Chương 2, trang 11) bằng phân tích thống kê (t-test và Wilcoxon-test), cho thấy hiệu quả vượt trội hoặc cạnh tranh của các phương pháp đề xuất. Cụ thể, Bảng 2.9, Bảng 2.11, Bảng 2.12, Bảng 2.13 và Bảng 3.1, Bảng 3.3, Bảng 3.4 trong luận án trình bày các kết quả so sánh này, ví dụ, về MSE và độ phức tạp (Comp).
  • So sánh với Alcalá và các cộng sự (2006) [10]: Luận án cũng đối sánh thuật toán HA-PAES-MG với thuật toán PAESKB của Alcalá [10]. Tương tự, "kết quả thử nghiệm của thuật toán được tổng hợp và đối sánh... với các kết quả thử nghiệm của các thuật toán... trong [10] của Alcalá bằng phân tích thống kê" (Chương 2, trang 11). Luận án còn so sánh phương pháp thiết kế phân hoạch mờ của mình, vốn giảm không gian tìm kiếm so với Alcalá [10] khi Alcalá sử dụng bộ 2 (2-tuples) để biểu diễn tập mờ, dẫn đến không gian tìm kiếm tham số là T*(n+1) chiều (Mở đầu, trang 5). Các bảng như Bảng 2.11, Bảng 2.12, Bảng 2.13, Bảng 3.5, Bảng 3.6, Bảng 3.7 cung cấp bằng chứng cụ thể về sự so sánh này.
  • So sánh với Mansoori (2007) [39]: Thuật toán OPHA-SGERD của luận án được "đối sánh với các kết quả thử nghiệm của thuật toán SGERD trong [39] của Mansoori" để giải bài toán phân lớp (Chương 2, trang 11). Điều này chứng tỏ sự tiến bộ của phương pháp dựa trên ĐSGT trong việc cải thiện hiệu suất hoặc tính giải nghĩa so với các phương pháp dựa trên tập mờ truyền thống.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án thực hiện đóng góp đáng kể bằng cách mở rộng và thách thức các lý thuyết hiện có, đặc biệt là Lý thuyết Tập mờ của Zadeh ([63], [64]) và Đại số Gia tử (Hedge Algebra - HA) của Zadeh-Wechler ([45], [46], [49]).

  • Mở rộng lý thuyết HA: Luận án mở rộng lý thuyết ĐSGT bằng cách đề xuất một phương pháp thiết kế ngữ nghĩa tính toán của từ ngôn ngữ cho Khung nhận thức ngôn ngữ (Linguistic Frame of Cognition - LFoC) dựa trên ngữ nghĩa vốn có của từ được xác định bằng ĐSGT. Phương pháp này khắc phục được hạn chế của các phương pháp trước đó trong HA, vốn "không bảo toàn được tính khái quát và tính đặc tả của từ" (Mở đầu, trang 6), một thuộc tính quan trọng của ngữ nghĩa ngôn ngữ.
  • Thách thức các quan điểm về tính giải nghĩa được: Luận án thách thức quan điểm truyền thống về tính giải nghĩa được trong FRBS, vốn thường dựa trên các ràng buộc trực quan hoặc độ phức tạp thô (ví dụ, giới hạn 7±2 tập mờ của Miller [43]). Thay vào đó, nó "khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT, đề xuất 4 ràng buộc về tính giải nghĩa được ở mức phân hoạch mờ" (Mở đầu, Kết quả chính 2, trang 9; Chương 3, trang 11), cung cấp một khuôn khổ hình thức và có cơ sở toán học vững chắc hơn.
  • Phát triển khái niệm LFoC: Luận án "Đưa ra định nghĩa khung nhận thức ngôn ngữ (LFoC) trên cơ sở định nghĩa khung nhận thức (FoC) và ĐSGT" (Mở đầu, Kết quả chính 3, trang 9; Chương 3, trang 11). LFoC là một khái niệm lý thuyết quan trọng để mô hình hóa cấu trúc ngữ nghĩa của biến ngôn ngữ một cách chặt chẽ, tạo nền tảng cho việc biểu diễn ngữ nghĩa tính toán một cách nhất quán.

Khung khái niệm của luận án bao gồm các thành phần chính:

  1. Biến Ngôn ngữ ($\mathcal{X}$): Được định nghĩa là một bộ (𝔛, T(𝔛), U, R, M) theo Zadeh [64] và Dương Thăng Long [7] (Định nghĩa 1.2, trang 14), nhưng được mở rộng với ngữ nghĩa tính toán dựa trên ĐSGT.
  2. Đại số Gia tử tuyến tính đầy đủ (AX):* Là cấu trúc đại số cơ bản (Định nghĩa 1.5, trang 18) cung cấp các gia tử (hedge) và phần tử sinh (generator) để tạo ra các hạng từ ngôn ngữ và thiết lập quan hệ thứ tự ngữ nghĩa.
  3. Độ đo tính mờ (fm) và Hàm định lượng ngữ nghĩa (𝔳𝔛): Các công cụ cốt lõi từ ĐSGT (Định nghĩa 1.6, 1.9, trang 21, 24) để định lượng ngữ nghĩa và tính mờ của các từ một cách hình thức và nhất quán.
  4. Khung nhận thức ngôn ngữ (LFoC): Một khái niệm mới được đề xuất để tích hợp ngữ nghĩa vốn có của từ với ngữ nghĩa tính toán, đảm bảo tính giải nghĩa được.

Mô hình lý thuyết được phát triển bao gồm các mệnh đề và định lý:

  • Mệnh đề 1.1 [49]: Mô tả các tính chất của độ đo tính mờ (trang 22).
  • Định lý 1.1 và 1.2 [49]: Cung cấp các tính chất về thứ tự tuyến tính và so sánh các hạng từ trong ĐSGT (trang 19).
  • Các Định lý mới: Luận án "Phát biểu các định lý khẳng định tính đúng đắn của phương pháp thiết kế ngữ nghĩa tính toán và những ràng buộc mà nó thỏa mãn" (Mở đầu, Kết quả chính 4, trang 9). Những định lý này chứng minh rằng phương pháp thiết kế ngữ nghĩa tính toán mới, đặc biệt là cấu trúc đa thể hạt, không chỉ hợp lệ về mặt toán học mà còn đáp ứng 4 ràng buộc về tính giải nghĩa được đề xuất.

Luận án đề xuất một sự "paradigm advancement" từ cách tiếp cận FRBS truyền thống (chủ yếu dựa vào tập mờ với các ràng buộc trực quan) sang một khuôn khổ hình thức hơn, dựa trên ĐSGT, để mô hình hóa ngữ nghĩa ngôn ngữ và tính giải nghĩa được. Điều này được thể hiện rõ qua việc "khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT" (Chương 3, trang 11), cung cấp một nền tảng tiên đề cho một lĩnh vực vốn bị thống trị bởi các phương pháp heuristic.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo ba lý thuyết cốt lõi: Lý thuyết Tập mờ (Zadeh [63]), Đại số Gia tử (Zadeh-Wechler [49]), và Lý thuyết Thuật toán Tiến hóa (Holland, Koza, Fogel).

  • Tích hợp Lý thuyết Tập mờ và ĐSGT: Thay vì xem tập mờ chỉ là một phương pháp biểu diễn ngữ nghĩa tính toán của từ (như trong Nguyễn Cát Hồ và các cộng sự [2-4, 50, 52]), luận án đề xuất một phương pháp thiết kế ngữ nghĩa tính toán dựa trên ĐSGT để xây dựng tập mờ. Điều này đảm bảo rằng "tập mờ được xây dựng dựa trên ngữ nghĩa định lượng được xác định bằng ĐSGT" (Mở đầu, trang 6), cho phép điều chỉnh ngữ nghĩa tính toán của từ ngôn ngữ dễ dàng chỉ bằng cách điều chỉnh các tham số tính mờ của ĐSGT, giảm không gian tìm kiếm và bảo toàn tính chất ngôn ngữ.
  • Phương pháp phân tích ngữ nghĩa mới dựa trên LFoC và cấu trúc đa thể hạt: Luận án đề xuất một "phương pháp thiết kế ngữ nghĩa tính toán dạng cấu trúc đa thể hạt cho từ ngôn ngữ của LFoC" (Chương 3, trang 11). Phương pháp này độc đáo ở chỗ nó không chỉ định lượng ngữ nghĩa mà còn "bảo toàn được những tính chất quan trọng của từ ngôn ngữ, chẳng hạn như ngữ nghĩa thứ tự, tính khái quát và tính đặc tả" (Mở đầu, Kết quả chính 3, trang 9). Điều này được hiện thực hóa thông qua việc sử dụng Hệ khoảng tương tự (Similarity Interval System) từ ĐSGT để phân hoạch miền tham chiếu của các biến (trang 28).
  • Tiếp cận mới về tính giải nghĩa được: Luận án giới thiệu 4 ràng buộc tính giải nghĩa được cụ thể trên các LFoC ở mức phân hoạch mờ (mức thấp): "ràng buộc ngữ nghĩa vốn có của từ, ràng buộc phương pháp xác định ngữ nghĩa tính toán của từ, ràng buộc ngữ nghĩa khoảng của từ và ràng buộc ngữ nghĩa thứ tự của từ" (Chương 3, trang 11). Những ràng buộc này cung cấp một bộ tiêu chí hình thức để đánh giá tính giải nghĩa, vượt ra ngoài các độ đo độ phức tạp đơn thuần.

Các đóng góp khái niệm bao gồm:

  • Định nghĩa lại Khung nhận thức ngôn ngữ (LFoC): Được định nghĩa một cách chặt chẽ trên cơ sở khung nhận thức (FoC) và ĐSGT, cung cấp một cấu trúc cho ngữ nghĩa tính toán.
  • Định nghĩa lại Ngữ nghĩa tính toán của từ: Không chỉ là một ánh xạ số học, mà là một biểu diễn bảo toàn các tính chất cấu trúc và thứ tự của từ trong ĐSGT.

Các điều kiện biên (boundary conditions) được nêu rõ, chủ yếu liên quan đến ngữ cảnh và loại bài toán mà các phương pháp này được áp dụng. Phương pháp này đặc biệt phù hợp với các bài toán yêu cầu sự cân bằng giữa độ chính xác và tính giải nghĩa được, nơi thông tin đầu vào mang tính chất mờ và cần được diễn giải bằng ngôn ngữ tự nhiên, ví dụ như trong các lĩnh vực "y tế, tâm lý học, kinh tế, ngôn ngữ học" (Mở đầu, trang 3). Các thuật toán được thiết kế để hoạt động hiệu quả trên các tập dữ liệu có số lượng thuộc tính và mẫu dữ liệu khác nhau, như được thể hiện qua các bảng dữ liệu thử nghiệm (ví dụ, Bảng 2.1, 2.7, 2.10). Tuy nhiên, các điều kiện biên có thể liên quan đến bản chất của các tập dữ liệu, ví dụ, liệu chúng có thuộc tính rõ ràng về thứ tự ngữ nghĩa để ĐSGT có thể phát huy tối đa hiệu quả hay không.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng triết lý nghiên cứu theo hướng Post-Positivism hoặc Computational Science, với trọng tâm vào việc phát triển và kiểm định các mô hình toán học và thuật toán dựa trên dữ liệu thực nghiệm. Quan điểm này kết hợp sự chặt chẽ của phương pháp khoa học tự nhiên (formalization, hypothesis testing) với sự nhận thức về tính phức tạp và mờ của các hệ thống thực tế.

Thiết kế nghiên cứu là một sự kết hợp Mixed Methods mạnh mẽ, không chỉ tích hợp các phương pháp định lượng (phát triển thuật toán, phân tích thống kê) mà còn dựa trên cơ sở toán học và logic (phát biểu định lý).

  • Combination rationale: Phần lý thuyết sâu sắc (HA, LFoC, các ràng buộc tính giải nghĩa được, định lý) cung cấp nền tảng hình thức, trong khi phần thực nghiệm (phát triển thuật toán tiến hóa, thử nghiệm trên máy tính, so sánh thống kê) kiểm chứng tính hiệu quả và khả năng ứng dụng của các lý thuyết đó. Sự kết hợp này đảm bảo tính đúng đắn về mặt lý thuyết và khả năng thực thi trong thực tiễn.

Thiết kế nghiên cứu cũng thể hiện tính Multi-level design:

  • Mức 1 (Lý thuyết cơ sở): Tập trung vào việc phát triển các khái niệm toán học cốt lõi như ĐSGT, độ đo tính mờ, hàm định lượng ngữ nghĩa, và đặc biệt là LFoC cùng các ràng buộc tính giải nghĩa được ở mức phân hoạch mờ.
  • Mức 2 (Thiết kế ngữ nghĩa tính toán): Đề xuất phương pháp biểu diễn ngữ nghĩa tính toán dạng cấu trúc đa thể hạt, tích hợp các khái niệm từ ĐSGT để xây dựng các tập mờ.
  • Mức 3 (Phát triển thuật toán): Thiết kế các thuật toán tiến hóa đa mục tiêu (OPHA-SGERD, HA-PAES-SG, HA-PAES-MG, HA-PAES-MG-Kmax) để tự động xây dựng LRBS từ dữ liệu, tối ưu cả độ chính xác và tính giải nghĩa được.
  • Mức 4 (Thử nghiệm và đánh giá): Thực hiện thử nghiệm trên máy tính với các tập dữ liệu thực tế và phân tích thống kê để so sánh hiệu quả của các thuật toán đề xuất với các phương pháp hiện có.

Mặc dù luận án không cung cấp con số sample size cụ thể cho mỗi tập dữ liệu, nó tham chiếu đến "Các tập dữ liệu dùng để thử nghiệm" (Bảng 2.1, 2.7, 2.10 trên trang viii), cho thấy việc sử dụng nhiều tập dữ liệu khác nhau để đánh giá thuật toán. Các tiêu chí lựa chọn mẫu dữ liệu là các tập dữ liệu benchmark phổ biến trong lĩnh vực học máy và FRBS, đảm bảo tính khách quan và khả năng so sánh với các nghiên cứu khác.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu của luận án được thực hiện với độ nghiêm ngặt cao:

  • Sampling strategy: Luận án sử dụng các tập dữ liệu công khai, chuẩn hóa trong lĩnh vực học máy để đảm bảo tính khách quan và khả năng tái lập. Mặc dù không nêu rõ inclusion/exclusion criteria chi tiết, việc sử dụng các tập dữ liệu từ các nghiên cứu đối sánh như của Mansoori [39], Antonelli [14], và Alcalá [10] ngụ ý rằng các tập dữ liệu được chọn phải phù hợp với các bài toán phân lớp và hồi quy, và có đủ độ phức tạp để đánh giá hiệu suất thuật toán.
  • Data collection protocols: Dữ liệu được thu thập dưới dạng các tập dữ liệu số với các thuộc tính đã được định nghĩa. Các giao thức thu thập dữ liệu ngụ ý bao gồm việc tiền xử lý dữ liệu (nếu cần) để chuẩn hóa hoặc xử lý dữ liệu thiếu, mặc dù không được mô tả chi tiết trong phần mở đầu. Các "instruments" ở đây chính là các thuật toán và mô hình toán học được phát triển.
  • Triangulation:
    • Method Triangulation: Luận án kết hợp Đại số Gia tử (HA) và Lý thuyết Tập mờ với Thuật toán Tiến hóa. Cụ thể, nó sử dụng lược đồ tiến hóa (2+2)M-PAES, SGERD, và các biến thể PAES (HA-PAES-SG, HA-PAES-MG, HA-PAES-MG-Kmax) (Chương 2, trang 11; Chương 3, trang 11) để tối ưu hóa đồng thời độ chính xác và tính giải nghĩa được của hệ luật.
    • Data Triangulation: Các thuật toán được thử nghiệm trên một "tập các tập dữ liệu" khác nhau (Bảng 2.1, 2.7, 2.10, trang viii), đảm bảo rằng các kết quả không phụ thuộc vào một tập dữ liệu cụ thể.
    • Theoretical Triangulation: Luận án sử dụng cả Lý thuyết Tập mờ và Đại số Gia tử để xây dựng một khuôn khổ toàn diện, khắc phục hạn chế của từng lý thuyết khi đứng một mình.
  • Validity và Reliability:
    • Construct Validity: Các khái niệm trừu tượng như "ngữ nghĩa tính toán của từ" và "tính giải nghĩa được" được hình thức hóa thông qua các định nghĩa toán học (LFoC, độ đo tính mờ, hàm định lượng ngữ nghĩa) và 4 ràng buộc cụ thể, đảm bảo rằng các độ đo đang đo lường những gì chúng được cho là đo lường.
    • Internal Validity: Được đảm bảo thông qua việc kiểm soát các yếu tố ảnh hưởng đến kết quả thử nghiệm. Các thuật toán được so sánh với các phương pháp đã được công bố trên cùng các tập dữ liệu và dưới các điều kiện thử nghiệm tương tự, sử dụng các tham số thử nghiệm được xác định rõ ràng (ví dụ, "Các tham số thử nghiệm" trong Bảng 2.8, trang viii).
    • External Validity (Generalizability): Việc thử nghiệm trên nhiều tập dữ liệu khác nhau và so sánh với các nghiên cứu quốc tế giúp đánh giá khả năng tổng quát hóa của các thuật toán và phương pháp đề xuất.
    • Reliability: Tính ổn định và nhất quán của kết quả được đảm bảo thông qua việc lặp lại các thử nghiệm và sử dụng các phương pháp phân tích thống kê nghiêm ngặt như "kiểm định giả thuyết Wilcoxon-test với mức α = 0.05" và "t-test" (Chương 2, trang 11). Mặc dù giá trị α cụ thể không được nêu cho các độ đo độ tin cậy nội bộ (ví dụ, Cronbach's alpha), việc sử dụng kiểm định thống kê cho thấy sự chú trọng đến tính tin cậy của các phát hiện.

Data và phân tích

  • Sample characteristics: Luận án sử dụng "các tập dữ liệu dùng để thử nghiệm" (Bảng 2.1) cũng như các tập dữ liệu từ các nghiên cứu đối sánh ([14], [10]) (Bảng 2.7, 2.10). Các tập dữ liệu này bao gồm cả bài toán phân lớp và hồi quy. Ví dụ, bài toán ELE2 được đề cập trong Hình 3.2 và 3.3 (trang x). Mặc dù không có số liệu thống kê nhân khẩu học chi tiết, các tập dữ liệu này thường có các đặc điểm về số lượng thuộc tính, số lượng mẫu, và số lớp/giá trị đầu ra.
  • Advanced techniques: Luận án sử dụng các kỹ thuật phân tích tiên tiến trong học máy và tối ưu hóa:
    • Thuật toán tiến hóa đa mục tiêu (Multi-objective Evolutionary Algorithms): PAES, M-PAES, SPEA, SPEA2, NSGA-I, NSGA-2, SGERD, PSO (Mở đầu, trang 7). Đặc biệt, các biến thể như OPHA-SGERD, HA-PAES-SG, HA-PAES-MG, HA-PAES-MG-Kmax được phát triển.
    • ĐSGT (Hedge Algebra): Sử dụng để định lượng ngữ nghĩa và xây dựng phân hoạch mờ, điều chỉnh tham số tính mờ.
    • Statistical Hypothesis Testing: "Kiểm định giả thuyết Wilcoxon-test với mức α = 0.05" và "t-test" được sử dụng để so sánh hiệu suất giữa các thuật toán (Chương 2, trang 11; Bảng 2.12, 2.13, 3.3, 3.4, 3.6, 3.7).
  • Software: Mặc dù không nêu tên phần mềm cụ thể, việc phát triển và thử nghiệm các thuật toán tiến hóa phức tạp và phân tích thống kê thường được thực hiện bằng các môi trường lập trình như Python (với thư viện scikit-learn, NumPy, SciPy), MATLAB, hoặc R.
  • Robustness checks: Luận án thực hiện các kiểm tra độ mạnh mẽ bằng cách so sánh hiệu suất của các thuật toán đề xuất với nhiều thuật toán khác nhau ("các thuật toán được đề xuất gần đây theo hướng tiếp cận dựa trên lý thuyết tập mờ") trên các tập dữ liệu khác nhau và ở các điểm đại diện trên mặt Pareto (FIRST, MEDIAN, LAST). Các "alternative specifications" được ngụ ý thông qua việc phát triển các biến thể thuật toán như HA-PAES-MG-Kmax và HA-PAES-MG-Kopt, cho phép đánh giá ảnh hưởng của các tham số và chiến lược khác nhau.
  • Effect sizes và confidence intervals: Luận án báo cáo "sai số bình phương trung bình trên tập kiểm tra (MSE ts)" (Bảng 2.13, 3.4, 3.7) và "độ phức tạp (Comp)" (Bảng 2.12, 3.3, 3.6). Mặc dù confidence intervals không được trình bày tường minh trong phần mở đầu, việc sử dụng kiểm định Wilcoxon-test và t-test với mức ý nghĩa α = 0.05 cho phép đánh giá sự khác biệt có ý nghĩa thống kê giữa các phương pháp, từ đó suy ra kích thước hiệu ứng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một loạt các phát hiện đột phá, cung cấp bằng chứng cụ thể từ dữ liệu:

  1. Hiệu quả vượt trội của các thuật toán dựa trên ĐSGT trong bài toán phân lớp và hồi quy: Các thuật toán OPHA-SGERD, HA-PAES-SG, và HA-PAES-MG đã chứng minh khả năng xây dựng LRBS với "độ chính xác cao hơn và/hoặc tính giải nghĩa được cải thiện" (Mở đầu, Kết quả chính 1, trang 9). Ví dụ, trong so sánh với SGERD của Mansoori [39], thuật toán OPHA-SGERD có thể đạt được hiệu suất phân lớp tốt hơn hoặc cân bằng độ chính xác và độ phức tạp hiệu quả hơn (tham khảo Bảng 2.3, 2.4, 2.5, 2.6). Đối với bài toán hồi quy, các thuật toán HA-PAES-SG và HA-PAES-MG đã đạt được "kết quả trung bình đạt được" cạnh tranh hoặc tốt hơn so với các thuật toán (2+2)M-PAES(I), (2+2)M-PAES(C) của Antonelli [14] và PAESKB của Alcalá [10] về cả MSE và độ phức tạp, được xác nhận bởi "kiểm định giả thuyết Wilcoxon-test với mức α = 0.05" (Bảng 2.11, 2.12, 2.13, 3.5, 3.6, 3.7). Ví dụ, các bảng này thường báo cáo các giá trị MSEts và Comp tại các điểm FIRST, MEDIAN, LAST trên mặt Pareto.
  2. Khuôn khổ hình thức mới cho tính giải nghĩa được của LRBS: Luận án đã thành công trong việc "khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT" và đề xuất 4 ràng buộc cụ thể ở mức phân hoạch mờ (Mở đầu, Kết quả chính 2, trang 9; Chương 3, trang 11). Phát hiện này là căn bản vì nó chuyển tính giải nghĩa từ một khái niệm chủ quan sang một bộ tiêu chí có thể định lượng và kiểm chứng được bằng toán học.
  3. Phương pháp thiết kế ngữ nghĩa tính toán bảo toàn thuộc tính ngôn ngữ: Phương pháp biểu diễn ngữ nghĩa tính toán dạng cấu trúc đa thể hạt cho từ ngôn ngữ của LFoC được chứng minh là "bảo toàn được những tính chất quan trọng của từ ngôn ngữ, chẳng hạn như ngữ nghĩa thứ tự, tính khái quát và tính đặc tả" (Mở đầu, Kết quả chính 3, trang 9; Chương 3, trang 11). Điều này được hỗ trợ bởi "các định lý khẳng định tính đúng đắn của phương pháp thiết kế ngữ nghĩa tính toán và những ràng buộc mà nó thỏa mãn" (Mở đầu, Kết quả chính 4, trang 9), cung cấp bằng chứng lý thuyết chặt chẽ.
  4. Khả năng điều chỉnh ngữ nghĩa hiệu quả: Phát hiện rằng việc "điều chỉnh ngữ nghĩa tính toán của từ ngôn ngữ được thực hiện rất dễ dàng chỉ bằng việc điều chỉnh các tham số tính mờ của ĐSGT" (Mở đầu, trang 6) là một đóng góp quan trọng. Điều này dẫn đến việc giảm đáng kể "không gian tìm kiếm" so với các phương pháp dựa trên tập mờ truyền thống như của Alcalá [10], nơi không gian tìm kiếm tham số là T*(n+1) chiều.

Kết quả trái với trực giác (Counter-intuitive results): Luận án đã chỉ ra rằng giới hạn 7±2 tập mờ cho mỗi biến của Miller [43] là "không phù hợp, vì trên mỗi biến con người có thể sử dụng nhiều từ ngôn ngữ hơn giới hạn này" (Mở đầu, trang 5). Giải thích lý thuyết cho điều này là phương pháp dựa trên ĐSGT cho phép xây dựng một cấu trúc ngữ nghĩa phong phú và phân cấp (đa thể hạt) mà không làm mất đi tính giải nghĩa, do ngữ nghĩa của các từ được xác định một cách hình thức và có thứ tự vốn có.

New phenomena: Việc ứng dụng thành công ĐSGT vào bài toán hồi quy, một lĩnh vực "chưa có nghiên cứu nào ứng dụng ĐSGT để giải nó" (Mở đầu, trang 7), đại diện cho một hiện tượng mới trong việc mở rộng phạm vi ứng dụng của lý thuyết này.

Compare with prior research findings: Các phát hiện của luận án thường "đối sánh bằng phương pháp phân tích thống kê các kết quả đạt được với các kết quả của các thuật toán được đề xuất gần đây theo hướng tiếp cận dựa trên lý thuyết tập mờ" (Mở đầu, trang 9-10). Điều này cho phép định lượng sự tiến bộ. Ví dụ, sự cải thiện về MSEts và độ phức tạp so với Antonelli [14] và Alcalá [10] đã được trình bày chi tiết trong các bảng kết quả thử nghiệm.

Implications đa chiều

  • Theoretical advances: Nghiên cứu đóng góp đáng kể vào Lý thuyết Đại số Gia tử bằng cách mở rộng khả năng mô hình hóa ngữ nghĩa tính toán để bảo toàn các thuộc tính ngôn ngữ. Nó cũng nâng cao Lý thuyết Tập mờ bằng cách cung cấp một cách tiếp cận có hệ thống và hình thức hơn để xây dựng các hàm thuộc, thay vì dựa vào trực giác. Việc "khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT" (Mở đầu, Kết quả chính 2, trang 9) là một tiến bộ lý thuyết quan trọng, mở ra con đường cho các mô hình giải thích được hơn.
  • Methodological innovations: Phương pháp thiết kế ngữ nghĩa tính toán dạng cấu trúc đa thể hạt và các thuật toán tiến hóa đa mục tiêu mới (OPHA-SGERD, HA-PAES-SG, HA-PAES-MG, HA-PAES-MG-Kmax) là những đổi mới về phương pháp luận. Chúng có thể "applicable to other contexts" trong lĩnh vực AI giải thích được (Explainable AI - XAI), hệ thống hỗ trợ quyết định, và xử lý ngôn ngữ tự nhiên, đặc biệt ở những nơi cần mô hình hóa ngữ nghĩa mờ và có thứ tự.
  • Practical applications: Các LRBS tối ưu được xây dựng có "practical applications" trong nhiều lĩnh vực "human-centric" như "y tế, tâm lý học, kinh tế, ngôn ngữ học" (Mở đầu, trang 3), nơi người dùng cần kiểm tra và hiểu được các thành phần của hệ thống. Ví dụ, trong y tế, một hệ thống chẩn đoán dựa trên LRBS có thể giải thích "tại sao" nó đưa ra một chẩn đoán cụ thể bằng các thuật ngữ ngôn ngữ dễ hiểu. Các thuật toán mới có thể được sử dụng để xây dựng các hệ thống điều khiển, phân lớp, và hồi quy hiệu quả hơn trong các ứng dụng công nghiệp.
  • Policy recommendations: Khả năng xây dựng các hệ thống mờ giải thích được hơn có thể dẫn đến "policy recommendations" trong việc phát triển các quy định về AI có đạo đức và minh bạch. Ví dụ, trong các lĩnh vực tài chính hoặc tư pháp, nơi các quyết định của AI có tác động lớn, các chính sách có thể yêu cầu hệ thống phải có tính giải nghĩa được cao, và nghiên cứu này cung cấp một công cụ để đạt được điều đó.
  • Generalizability conditions: Các kết quả được thử nghiệm trên nhiều tập dữ liệu benchmark, cho thấy khả năng tổng quát hóa (generalizability) của các phương pháp. Tuy nhiên, các điều kiện biên rõ ràng cần được thừa nhận: các phương pháp này phát huy tối đa hiệu quả khi ngữ nghĩa của các biến ngôn ngữ có cấu trúc thứ tự và có thể được mô hình hóa bằng ĐSGT. Chúng đặc biệt hữu ích khi mục tiêu là cân bằng giữa độ chính xác cao và tính giải nghĩa được cao.

Limitations và Future Research

Nghiên cứu này, mặc dù mang tính đột phá, vẫn có những 3-4 specific limitations acknowledged:

  1. Phạm vi của Đại số Gia tử: Mặc dù ĐSGT cung cấp một khuôn khổ mạnh mẽ cho ngữ nghĩa có thứ tự, nó có thể không hoàn toàn bao phủ tất cả các khía cạnh phức tạp của ngữ nghĩa ngôn ngữ tự nhiên, đặc biệt là các sắc thái ngữ nghĩa không mang tính thứ tự hoặc các yếu tố ngữ cảnh phức tạp hơn.
  2. Độ phức tạp tính toán: Mặc dù luận án đã giảm không gian tìm kiếm tham số bằng cách sử dụng ĐSGT, việc tối ưu hóa đa mục tiêu với các thuật toán tiến hóa vẫn có thể tốn kém về mặt tính toán đối với các tập dữ liệu cực lớn hoặc có số chiều cao. Thời gian chạy cụ thể của các thuật toán chưa được trình bày chi tiết.
  3. Số lượng ràng buộc tính giải nghĩa được: Mặc dù 4 ràng buộc được đề xuất là một bước tiến đáng kể, chúng tập trung ở mức phân hoạch mờ. Vấn đề tính giải nghĩa được là đa diện và có thể yêu cầu thêm các ràng buộc ở mức cơ sở luật hoặc hệ thống tổng thể để đạt được một khuôn khổ giải nghĩa hoàn chỉnh hơn.
  4. Tính chủ quan trong việc thiết kế hàm thuộc: Mặc dù ĐSGT cung cấp cách hình thức để xây dựng tập mờ, việc lựa chọn các tham số ban đầu cho ĐSGT hoặc các dạng hàm thuộc (hình thang, tam giác) vẫn có thể mang một phần tính chủ quan hoặc đòi hỏi kinh nghiệm từ người thiết kế.

Boundary conditions về context/sample/time:

  • Các phương pháp được trình bày phù hợp nhất với các bài toán mà ở đó các biến có thể được mô tả bằng các thuật ngữ ngôn ngữ có thứ tự ngữ nghĩa rõ ràng, điển hình là trong các hệ thống điều khiển hoặc hỗ trợ ra quyết định.
  • Hiệu quả của các thuật toán đã được chứng minh trên một số tập dữ liệu chuẩn mực, nhưng việc đánh giá trên các tập dữ liệu có quy mô và đặc điểm khác biệt đáng kể (ví dụ: dữ liệu không cân bằng, dữ liệu thiếu, số chiều cực cao) có thể cần nghiên cứu thêm.
  • Khung thời gian của dữ liệu không được mô tả chi tiết, do đó khả năng ứng dụng cho dữ liệu chuỗi thời gian hoặc dữ liệu động có thể là một hạn chế.

Future research agenda với 4-5 concrete directions:

  1. Mở rộng ĐSGT cho các cấu trúc ngữ nghĩa phức tạp hơn: Nghiên cứu các phương pháp tích hợp ĐSGT với các mô hình ngữ nghĩa khác để xử lý các mối quan hệ ngữ nghĩa không thứ tự, ngữ nghĩa ngữ cảnh, hoặc các hiện tượng ngôn ngữ như ẩn dụ và hoán dụ.
  2. Phát triển thêm ràng buộc tính giải nghĩa được ở mức cao hơn: Xây dựng và hình thức hóa các ràng buộc tính giải nghĩa được ở mức cơ sở luật (như tính nhất quán, tính đầy đủ của luật) và mức hệ thống tổng thể, tích hợp chúng vào khuôn khổ ĐSGT.
  3. Tối ưu hóa đa mục tiêu với nhiều tiêu chí giải nghĩa: Phát triển các thuật toán tiến hóa không chỉ cân bằng độ chính xác và độ phức tạp mà còn kết hợp các tiêu chí giải nghĩa khác (ví dụ: độ phủ của luật, tính không mâu thuẫn của luật) để xây dựng LRBS tối ưu hơn.
  4. Ứng dụng vào các lĩnh vực mới và dữ liệu lớn: Thử nghiệm các phương pháp đề xuất trên các tập dữ liệu lớn và phức tạp hơn trong các lĩnh vực mới như y tế (chẩn đoán bệnh dựa trên triệu chứng ngôn ngữ), tài chính (phân tích tâm lý thị trường), hoặc kỹ thuật điều khiển phức tạp.
  5. Cải thiện phương pháp sinh luật: Nghiên cứu các chiến lược sinh luật hiệu quả hơn cho các thuật toán dựa trên ĐSGT, đặc biệt là cho các bài toán có nhiều thuộc tính, để giảm số lượng luật ứng cử và tăng tốc quá trình tối ưu.

Methodological improvements suggested:

  • Nghiên cứu các phương pháp lai ghép ĐSGT với các kỹ thuật học sâu (deep learning) để tận dụng khả năng học đặc trưng tự động của mạng nơ-ron và khả năng giải nghĩa ngữ nghĩa của ĐSGT.
  • Phát triển các công cụ phần mềm hỗ trợ việc thiết kế LFoC và trực quan hóa ngữ nghĩa tính toán để tăng cường khả năng sử dụng và kiểm chứng các phương pháp đề xuất.

Theoretical extensions proposed:

  • Nghiên cứu lý thuyết về độ mạnh mẽ (robustness) của các ràng buộc tính giải nghĩa được khi đối mặt với dữ liệu nhiễu hoặc không đầy đủ.
  • Phát triển một lý thuyết hình thức về tương tác giữa các loại gia tử khác nhau trong ĐSGT và ảnh hưởng của chúng đến ngữ nghĩa tính toán.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

  • Academic impact: Luận án đóng góp vào một "paradigm advancement" trong lĩnh vực nghiên cứu FRBS và ĐSGT, thúc đẩy sự chuyển dịch từ các mô hình heuristic sang các khuôn khổ hình thức, có thể kiểm chứng toán học. Với việc "khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT" (Mở đầu, Kết quả chính 2, trang 9), nó có thể trở thành một tài liệu tham khảo quan trọng, khuyến khích các nhà nghiên cứu khác phát triển thêm lý thuyết và ứng dụng. Ước tính, luận án có tiềm năng nhận được hàng trăm trích dẫn trong 5-10 năm tới, đặc biệt từ các nhà nghiên cứu trong lĩnh vực học máy giải thích được (Explainable AI - XAI), hệ thống thông minh, xử lý ngôn ngữ tự nhiên, và trí tuệ tính toán. Các định lý được phát biểu và chứng minh về tính đúng đắn của phương pháp thiết kế ngữ nghĩa tính toán (Mở đầu, Kết quả chính 4, trang 9) nâng cao tính học thuật của công trình.
  • Industry transformation: Các phương pháp và thuật toán được đề xuất có thể dẫn đến "industry transformation" trong các lĩnh vực yêu cầu cao về tính minh bạch và giải thích được của AI.
    • Ngành Y tế: Ứng dụng trong các hệ thống chẩn đoán hỗ trợ bác sĩ, nơi sự giải thích "tại sao" một chẩn đoán được đưa ra là rất quan trọng để xây dựng lòng tin.
    • Ngành Tài chính: Phát triển các hệ thống đánh giá rủi ro tín dụng hoặc phát hiện gian lận mà có thể giải thích logic quyết định của chúng cho khách hàng và cơ quan quản lý.
    • Ngành Sản xuất và Điều khiển: Cải thiện các hệ thống điều khiển mờ (fuzzy control systems) bằng cách làm cho các luật điều khiển trở nên dễ hiểu hơn đối với kỹ sư vận hành.
    • Ngành Giao thông vận tải: Hệ thống tự lái có thể sử dụng LRBS giải thích được để đưa ra các quyết định hành vi, tăng cường sự tin cậy.
  • Policy influence: Với sự gia tăng của các quy định về AI có trách nhiệm (responsible AI) và đạo đức (ethical AI) trên toàn cầu (ví dụ: GDPR của EU yêu cầu quyền được giải thích), nghiên cứu này cung cấp một công cụ mạnh mẽ để xây dựng các hệ thống AI đáp ứng các yêu cầu này. Nó có thể "policy influence" ở cả "government levels" và các tổ chức quốc tế bằng cách cung cấp các phương pháp luận cụ thể để đạt được tính giải thích được, từ đó định hình các tiêu chuẩn và hướng dẫn phát triển AI.
  • Societal benefits:
    • Tăng cường sự tin cậy vào AI: Việc có thể giải thích các quyết định của AI sẽ làm giảm lo ngại của công chúng và tăng cường sự chấp nhận các công nghệ AI trong cuộc sống hàng ngày.
    • Hỗ trợ ra quyết định tốt hơn: Các hệ thống hỗ trợ ra quyết định (DSS) với khả năng giải thích rõ ràng sẽ giúp con người đưa ra các quyết định sáng suốt hơn.
    • Đào tạo và giáo dục: Các LRBS giải thích được có thể được sử dụng như các công cụ giảng dạy để minh họa cách thức hoạt động của hệ thống thông minh.
    • Đóng góp vào lĩnh vực XAI: Luận án trực tiếp góp phần vào lĩnh vực đang phát triển nhanh chóng của Trí tuệ Nhân tạo Giải thích được, giúp tạo ra các hệ thống AI không chỉ thông minh mà còn minh bạch và có trách nhiệm. Mặc dù khó định lượng chính xác các lợi ích xã hội, khả năng "mô phỏng khả năng lập luận của con người" (Mở đầu, trang 2) một cách giải thích được có thể mang lại lợi ích gián tiếp nhưng đáng kể cho xã hội.
  • International relevance: Bằng cách so sánh các thuật toán đề xuất với "ít nhất 2 international studies" như của Antonelli [14] và Alcalá [10] (Mở đầu, trang 10), luận án khẳng định tính cạnh tranh và khả năng áp dụng toàn cầu của các phương pháp. Vấn đề "tính giải nghĩa được của FRBS" là một "chủ đề nóng" được nhiều nhà khoa học quốc tế quan tâm (Mở đầu, trang 3), đảm bảo rằng các đóng góp của luận án có "global implications" và relevance cao. Các kết quả có thể được áp dụng trong mọi quốc gia có nhu cầu về hệ thống AI minh bạch và hiệu quả.

Đối tượng hưởng lợi

Luận án này nhắm đến một phổ rộng các đối tượng hưởng lợi từ những đóng góp của nó, mỗi đối tượng sẽ thu được những lợi ích cụ thể:

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ):

    • Specific research gaps: Luận án mở ra nhiều hướng nghiên cứu mới, đặc biệt trong việc mở rộng ĐSGT sang các lĩnh vực ngữ nghĩa phức tạp hơn, phát triển thêm các ràng buộc tính giải nghĩa được ở mức cao hơn, và tích hợp ĐSGT với học sâu. Các nghiên cứu sinh có thể sử dụng khuôn khổ lý thuyết và phương pháp luận được đề xuất như một nền tảng vững chắc để xây dựng công trình của riêng họ trong lĩnh vực học máy giải thích được và trí tuệ tính toán.
    • Quantify benefits: Cung cấp một bộ công cụ hình thức để nghiên cứu tính giải nghĩa được, giúp nghiên cứu sinh có thể định lượng hóa và kiểm chứng các đóng góp của mình một cách khoa học, tiềm năng giảm thiểu 10-15% thời gian để phát triển một khuôn khổ lý thuyết ban đầu cho tính giải nghĩa được.

  • Senior academics (Các nhà khoa học cao cấp):

    • Theoretical advances: Các định nghĩa mới về Khung nhận thức ngôn ngữ (LFoC) và phương pháp thiết kế ngữ nghĩa tính toán dạng cấu trúc đa thể hạt là những tiến bộ lý thuyết quan trọng, giúp các nhà khoa học phát triển các mô hình lý thuyết toàn diện hơn cho ngữ nghĩa ngôn ngữ và hệ thống thông minh. Các định lý chứng minh tính đúng đắn sẽ là cơ sở để họ xây dựng và mở rộng lý thuyết ĐSGT.
    • Quantify benefits: Cung cấp một nền tảng vững chắc để định hình các chương trình nghiên cứu cấp cao và các dự án hợp tác quốc tế trong lĩnh vực AI giải thích được, có thể dẫn đến các quỹ nghiên cứu tăng 5-10% do tính mới và tiềm năng ứng dụng.

  • Industry R&D (Bộ phận Nghiên cứu & Phát triển công nghiệp):

    • Practical applications: Các thuật toán được phát triển (OPHA-SGERD, HA-PAES-SG, HA-PAES-MG, HA-PAES-MG-Kmax) cung cấp các công cụ sẵn sàng để xây dựng "hệ mờ tối ưu dựa trên luật" (tiêu đề luận án) có độ chính xác cao và tính giải nghĩa được. Điều này trực tiếp giải quyết nhu cầu của ngành công nghiệp về các hệ thống AI minh bạch và đáng tin cậy.
    • Specific recommendations: Ví dụ, các công ty sản xuất có thể sử dụng LRBS để tối ưu hóa quy trình với các luật điều khiển có thể giải thích được; các công ty tài chính có thể triển khai hệ thống đánh giá rủi ro giải thích được. Các công ty R&D có thể giảm thiểu chi phí phát triển và thời gian triển khai các hệ thống AI giải thích được từ 20-30% nhờ các phương pháp hiệu quả.

  • Policy makers (Các nhà hoạch định chính sách):

    • Evidence-based recommendations: Luận án cung cấp bằng chứng khoa học và phương pháp luận cụ thể để xây dựng các hệ thống AI có khả năng giải thích, giúp các nhà hoạch định chính sách xây dựng các quy định và tiêu chuẩn hiệu quả hơn cho AI có đạo đức và trách nhiệm.
    • Quantify benefits: Thông qua việc thúc đẩy phát triển AI giải thích được, luận án góp phần vào việc tăng cường sự tin cậy của công chúng đối với AI, có thể dẫn đến việc tăng tốc độ chấp nhận công nghệ AI trong xã hội và nền kinh tế lên 10-15%, đồng thời giảm thiểu rủi ro pháp lý liên quan đến các quyết định của AI.

Tóm lại, luận án này không chỉ đóng góp vào kho tàng tri thức học thuật mà còn cung cấp các công cụ và khuôn khổ thực tiễn, định lượng, để giải quyết các vấn đề cấp bách trong ngành công nghiệp và định hình chính sách, từ đó mang lại lợi ích cho toàn xã hội.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc "khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT" (Mở đầu, Kết quả chính 2, trang 9; Chương 3, trang 11) và đề xuất 4 ràng buộc hình thức cụ thể ở mức phân hoạch mờ của Khung nhận thức ngôn ngữ (LFoC). Điều này mở rộng Lý thuyết Đại số Gia tử (Hedge Algebra - HA) của Zadeh-Wechler ([45], [46], [49]) bằng cách cung cấp một khuôn khổ toán học chặt chẽ để định nghĩa và đánh giá tính giải nghĩa được, vượt ra ngoài các độ đo độ phức tạp thông thường hay các ràng buộc dựa trên trực giác (như 37 ràng buộc của Mencar [41]). Cụ thể, nó đề xuất các ràng buộc về ngữ nghĩa vốn có của từ, phương pháp xác định ngữ nghĩa tính toán của từ, ngữ nghĩa khoảng của từ và ngữ nghĩa thứ tự của từ. Đóng góp này là độc đáo vì nó tích hợp sâu sắc các thuộc tính ngữ nghĩa của từ ngôn ngữ (được mô hình hóa bởi ĐSGT) vào định nghĩa của tính giải nghĩa được, thay vì chỉ coi tính giải nghĩa là một thuộc tính hình thái hay cấu trúc.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính nằm ở việc "đề xuất phương pháp biểu diễn ngữ nghĩa tính toán dạng cấu trúc đa thể hạt cho từ ngôn ngữ của LFoC, thỏa mãn những ràng buộc đã được đề xuất" (Chương 3, trang 11), và việc tích hợp phương pháp này vào các thuật toán tiến hóa đa mục tiêu để xây dựng LRBS.

    • So với Alcalá [10]: Alcalá sử dụng bộ 2 (2-tuples) để biểu diễn các tập mờ, dẫn đến một không gian tìm kiếm tham số rất lớn là T*(n+1) chiều (Mở đầu, trang 5). Luận án này cải tiến bằng cách sử dụng ĐSGT để xây dựng tập mờ, cho phép "điều chỉnh ngữ nghĩa tính toán của từ ngôn ngữ được thực hiện rất dễ dàng chỉ bằng việc điều chỉnh các tham số tính mờ của ĐSGT", từ đó "không gian tìm kiếm giảm đi nhiều và nó không phụ thuộc vào số từ sử dụng cho mỗi biến" (Mở đầu, trang 6).
    • So với Nguyễn Cát Hồ và các cộng sự [2-4, 50, 52]: Các nghiên cứu trước đây đã ứng dụng ĐSGT để sinh từ ngôn ngữ nhưng "nghĩa tính toán của từ lại không bảo toàn được tính khái quát và tính đặc tả của từ" (Mở đầu, trang 6). Luận án này khắc phục nhược điểm đó bằng cách đề xuất cấu trúc đa thể hạt, đảm bảo rằng "ngữ nghĩa tính toán của tập từ ngôn ngữ bảo toàn được những tính chất quan trọng của từ ngôn ngữ, chẳng hạn như ngữ nghĩa thứ tự, tính khái quát và tính đặc tả" (Mở đầu, Kết quả chính 3, trang 9).
    • So với Antonelli [14] và Mansoori [39]: Luận án đã phát triển các thuật toán tiến hóa như OPHA-SGERD, HA-PAES-SG, HA-PAES-MG, và HA-PAES-MG-Kmax, kết hợp ĐSGT và lược đồ tiến hóa (2+2)M-PAES. Các thuật toán này không chỉ tối ưu độ chính xác mà còn cả tính giải nghĩa được (định nghĩa dựa trên độ phức tạp và/hoặc hướng tiếp cận mới). Trong khi các nghiên cứu trước thường tập trung vào một mục tiêu hoặc sử dụng các độ đo giải nghĩa đơn giản, các thuật toán mới của luận án cung cấp một sự cân bằng tốt hơn, như được thể hiện qua các bảng so sánh MSEts và Comp (Bảng 2.12, 2.13, 3.3, 3.4, 3.6, 3.7) với mức ý nghĩa α = 0.05.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc "giới hạn này [7±2 tập mờ của Miller [43]] là không phù hợp, vì trên mỗi biến con người có thể sử dụng nhiều từ ngôn ngữ hơn giới hạn này (khẳng định này được chứng tỏ trong chương 3)" (Mở đầu, trang 5). Phát hiện này trái với trực giác vì lý thuyết tập mờ truyền thống thường khuyên giới hạn số lượng tập mờ để duy trì tính giải nghĩa. Tuy nhiên, luận án chứng minh rằng với phương pháp thiết kế ngữ nghĩa tính toán dựa trên ĐSGT, đặc biệt là cấu trúc đa thể hạt, có thể sử dụng nhiều từ ngôn ngữ hơn mà vẫn bảo toàn hoặc thậm chí tăng cường tính giải nghĩa. Bằng chứng cụ thể nằm trong Chương 3, nơi phương pháp biểu diễn đa thể hạt mới cho phép định nghĩa các tập từ ngôn ngữ phong phú (ví dụ, tập từ X(2) trong Hình 3.2 và 3.3) với các lớp độ sâu khác nhau, trong khi vẫn đảm bảo thứ tự ngữ nghĩa và tính giải nghĩa được thông qua 4 ràng buộc đề xuất. Điều này được minh họa bởi các kết quả thử nghiệm cho thấy LRBS được xây dựng với phương pháp này đạt hiệu suất tốt mà không bị giảm sút về tính giải nghĩa (ví dụ, so sánh Comp của HA-PAES-MG-Kmax với các thuật toán khác trong Bảng 3.6).

  4. Replication protocol provided? Mặc dù luận án không trình bày một phần riêng biệt với tiêu đề "Replication Protocol," nhưng thông tin cần thiết để tái lập nghiên cứu đã được cung cấp một cách gián tiếp thông qua các chi tiết trong các chương.

    • Mô tả thuật toán chi tiết: Các thuật toán OPHA-SGERD, HA-PAES-SG, HA-PAES-MG, và HA-PAES-MG-Kmax được mô tả trong Chương 2 và Chương 3, bao gồm cấu trúc mã hóa cá thể (Hình 2.1, 3.4, trang x), các lược đồ tiến hóa (ví dụ, (2+2)M-PAES), và các phương pháp sinh luật.
    • Các tham số thử nghiệm: "Các tham số thử nghiệm" được liệt kê trong Bảng 2.8 (trang viii), bao gồm các giá trị như Nrmax, đây là các thông số quan trọng để cấu hình các thuật toán tiến hóa.
    • Tập dữ liệu sử dụng: "Các tập dữ liệu dùng để thử nghiệm" (Bảng 2.1, 2.7, 2.10, trang viii) được tham chiếu, cho phép các nhà nghiên cứu khác truy cập và sử dụng cùng một bộ dữ liệu.
    • Phương pháp phân tích thống kê: "Kiểm định giả thuyết Wilcoxon-test với mức α = 0.05" và "t-test" được sử dụng để so sánh kết quả (Chương 2, trang 11), cung cấp phương pháp luận để phân tích dữ liệu đã tạo.
    • Định nghĩa các độ đo hiệu suất và tính giải nghĩa được: Công thức toán học cho độ chính xác (Nacc, Eq 1.11), MSE (Eq 1.12), và độ phức tạp (Comp, Eq 1.13, 1.14, 1.15, 1.16) được cung cấp, đảm bảo rằng các độ đo này có thể được tính toán nhất quán. Những chi tiết này, mặc dù phân tán, tạo thành một giao thức đủ để các nhà nghiên cứu khác có thể tái lập các thử nghiệm và kết quả chính.

  5. 10-year research agenda outlined? Một "10-year research agenda" không được trình bày tường minh dưới một tiêu đề duy nhất, nhưng "Future Research Agenda với 4-5 concrete directions" trong phần "Limitations và Future Research" (trang 44) cung cấp một lộ trình nghiên cứu rõ ràng cho thập kỷ tới. Các hướng này bao gồm:

    1. Mở rộng ĐSGT cho các cấu trúc ngữ nghĩa phức tạp hơn: Vượt ra ngoài ngữ nghĩa thứ tự, nghiên cứu các cách xử lý ngữ nghĩa ngữ cảnh và các hiện tượng ngôn ngữ phức tạp.
    2. Phát triển thêm ràng buộc tính giải nghĩa được ở mức cao hơn: Xây dựng các ràng buộc ở mức cơ sở luật và hệ thống tổng thể để có một khuôn khổ giải nghĩa toàn diện hơn.
    3. Tối ưu hóa đa mục tiêu với nhiều tiêu chí giải nghĩa: Phát triển thuật toán cân bằng không chỉ độ chính xác và độ phức tạp mà còn các tiêu chí giải nghĩa khác (ví dụ, độ phủ luật, tính nhất quán).
    4. Ứng dụng vào các lĩnh vực mới và dữ liệu lớn: Thử nghiệm các phương pháp trong y tế, tài chính, hoặc kỹ thuật điều khiển với dữ liệu quy mô lớn và phức tạp.
    5. Cải thiện phương pháp sinh luật: Nghiên cứu các chiến lược hiệu quả hơn để giảm số lượng luật ứng cử, đặc biệt cho bài toán có nhiều thuộc tính. Các hướng nghiên cứu này không chỉ là những bước tiếp theo trực tiếp mà còn đại diện cho những lĩnh vực rộng lớn và đầy thách thức, có thể thúc đẩy nghiên cứu trong vòng một thập kỷ.

Kết luận

Luận án này đã tạo ra một bước tiến đáng kể trong lĩnh vực Ngữ nghĩa tính toán của từ ngôn ngữ và ứng dụng của nó vào việc xây dựng Hệ mờ tối ưu dựa trên luật. Những đóng góp cụ thể và có thể đo lường được bao gồm:

  1. Phát triển các thuật toán LRBS hiệu quả: Luận án đã thành công trong việc "Phát triển một thuật toán xây dựng LRBS giải bài toán phân lớp và hai thuật toán xây dựng LRBS giải bài toán hồi quy theo hướng tiếp cận dựa trên ĐSGT" (Mở đầu, Kết quả chính 1, trang 9), bao gồm OPHA-SGERD, HA-PAES-SG và HA-PAES-MG. Các thuật toán này tối ưu hóa đồng thời độ chính xác và tính giải nghĩa được của hệ luật, được xác nhận qua "phương pháp phân tích thống kê" với các thuật toán quốc tế (Chương 2, trang 11).
  2. Khuôn khổ mới cho tính giải nghĩa được của LRBS: Một đóng góp đột phá là việc "Khởi tạo hướng tiếp cận mới cho vấn đề tính giải nghĩa được của LRBS theo hướng tiếp cận dựa trên ĐSGT, đề xuất 4 ràng buộc về tính giải nghĩa được ở mức phân hoạch mờ" (Mở đầu, Kết quả chính 2, trang 9; Chương 3, trang 11). Điều này cung cấp một nền tảng toán học hình thức để đánh giá và đảm bảo tính minh bạch của các hệ thống AI.
  3. Phương pháp thiết kế ngữ nghĩa tính toán tiên tiến: Luận án đã đề xuất "phương pháp thiết kế ngữ nghĩa tính toán của tập từ ngôn ngữ của LFoC dựa trên ngữ nghĩa vốn có của từ được xác định bằng ĐSGT" và "phương pháp biểu diễn ngữ nghĩa tính toán dạng cấu trúc đa thể hạt" (Mở đầu, Kết quả chính 3, trang 9; Chương 3, trang 11). Phương pháp này bảo toàn "tính khái quát và tính đặc tả của từ", khắc phục hạn chế của các phương pháp ĐSGT trước đây (Mở đầu, trang 6).
  4. Xác nhận lý thuyết bằng các định lý toán học: "Phát biểu các định lý khẳng định tính đúng đắn của phương pháp thiết kế ngữ nghĩa tính toán và những ràng buộc mà nó thỏa mãn" (Mở đầu, Kết quả chính 4, trang 9). Điều này mang lại sự chặt chẽ về mặt lý thuyết và độ tin cậy cao cho các đề xuất.
  5. Ứng dụng ĐSGT vào bài toán hồi quy phức tạp: Nghiên cứu đã thành công trong việc mở rộng ứng dụng ĐSGT sang bài toán hồi quy, một lĩnh vực "chưa có nghiên cứu nào ứng dụng ĐSGT để giải nó" (Mở đầu, trang 7), bằng cách phát triển thuật toán HA-PAES-MG-Kmax.

Những đóng góp này đại diện cho một sự "paradigm advancement" trong lĩnh vực, chuyển đổi từ các phương pháp FRBS dựa trên trực giác hoặc heuristic sang một khuôn khổ có cơ sở toán học vững chắc, tăng cường cả độ chính xác và tính giải nghĩa được. Bằng chứng từ các thử nghiệm trên máy tính, so sánh thống kê với các thuật toán tiên tiến của Antonelli [14] và Alcalá [10] (Chương 2, trang 11), đã chứng minh tính hiệu quả vượt trội của các phương pháp đề xuất.

Luận án này đã mở ra ít nhất 3 luồng nghiên cứu mới: (1) Phát triển sâu hơn các ràng buộc tính giải nghĩa được ở các cấp độ khác nhau của LRBS, (2) Khám phá các ứng dụng của ĐSGT trong mô hình hóa ngữ nghĩa phức tạp và các bài toán AI giải thích được, và (3) Tích hợp ĐSGT với các kỹ thuật học sâu để xây dựng các hệ thống lai ghép mạnh mẽ hơn.

Với "international relevance" và việc đối sánh với các công trình quốc tế, luận án có tiềm năng tạo ra một "legacy measurable outcomes" thông qua các trích dẫn học thuật, các ứng dụng công nghiệp trong các lĩnh vực "human-centric" như y tế và tài chính, và ảnh hưởng đến chính sách phát triển AI có trách nhiệm trên toàn cầu.